Jul, 2023

VariGrad: 无注册数据的几何深度学习的一种新型特征向量架构

PDF
TL;DR我们提出了一种新颖的几何深度学习层，利用变 分 (VariGrad) 计算三维几何数据的特征向量表示。这些特征向量可以用于各种下游学习任务，如分类、注册和形状重建。我们采用独立于给定采样或参数化的变分流形表示的模型，使得我们的模型能够在训练和测试阶段使用独立于数据的数据。我们论证了所提出的 VariGrad 层的效率、泛化能力和对重采样的稳健性。
geometric deep learningvarifold gradientfeature vector representationsclassificationshape reconstruction
发现论文，激发创造
  • 利用几何度量实现网格不变的三维生成深度学习

    该论文提出了一种可以处理不同参数化的、基于核的计量的网络架构，可以用于人脸的生成学习任务。

    Jun, 2023

  • 几何深度学习：网格、群、图、测地线和规范

    通过统一的几何原理，深度学习可以更好地揭示基本规律，提供数学框架来研究卷积神经网络、循环神经网络、图神经网络和变压器网络等神经网络，且可以将物理学知识结合到神经网络结构中，从而提供了未来神经网络结构的原则性方法。

    Apr, 2021

  • 梯度作为深度表示学习中的特征

    本文提出基于梯度的特征及使用线性模型将梯度与预训练网络的激活函数相结合用于深度表示学习，从而实现预训练网络对不同任务的高效适应，通过实验验证了该算法在不同网络结构下，在多个数据集的各种表征学习任务上获得了强大的结果并与理论分析相符。

    Apr, 2020

  • 神经特征学习的几何框架

    基于神经特征提取器和图形结构，我们提出了一个新颖的学习系统设计框架，并使用特征空间中的几何结构进行学习问题的建模。我们通过嵌套技术设计学习算法，从数据样本中学习最佳特征，进而应用于现成的网络架构和优化器，同时我们还探讨了多元学习问题，包括条件推理和多模态学习，以及它们与经典方法的联系。

    Sep, 2023

  • 学习紧凑的几何特征

    通过优化映射高维直方图到低维欧氏空间的深度网络，学习代表无序点云中点周围局部几何的特征，其表现出比现有局部特征更高的精度、紧凑性和鲁棒性，可在机器人和三维视觉的不同应用中进行几何配准。

    Sep, 2017

  • 深度几何函数映射：形状对应的鲁棒特征学习

    提出了一种基于学习的方法，用于计算非刚性三维形状之间的对应关系。该方法利用从原始形状几何中直接学习的特征提取网络，结合一种基于功能映射表示的正则化地图提取层和损失函数，能够从比现有的监督方法少的训练数据中学习，并且比当前基于描述符学习的方法更加普适。

    Mar, 2020

  • 使用 PyTorch Geometric 进行快速的图形表征学习

    PyTorch Geometric 是一个基于 PyTorch 的深度学习库，用于处理不规则结构的输入数据，如图形，点云和流形。该库通过利用稀疏 GPU 加速，提供专用的 CUDA 内核以及引入对不同大小的输入示例的高效小批量处理，实现了高数据吞吐量。本文详细介绍了该库，并在同质评估场景下对实现的方法进行了全面比较研究。

    Mar, 2019

  • 变分梯度流深度生成学习

    提出 VGrow 框架来学习深度生成模型，通过 $f$-divergence 进行梯度流，使用 logD-trick GAN 来作为新的目标函数评估不同的散度，结果表明 VGrow 可以生成高保真图像并且表现优异。

    Jan, 2019

  • 基于几何深度学习的无监督多模态表面配准

    该研究介绍了 GeoMorph，一种用于皮层表面图像配准的新型几何深度学习框架。通过应用图卷积进行独立特征提取和深度离散注册，GeoMorph 能够捕捉重要的皮层表面特征，并实现平滑且符合生物学的变形，展现出出色的性能和潜力，适用于多种神经科学应用。

    Nov, 2023

  • 使用 3D-CNN 学习和可视化本地几何特征：应用于钻孔可制造性分析

    本文提出了一种基于 3D Convolutional Neural Networks 和 Gradient-weighted Class Activation Mapping 的方法，能够解释 3D-CNN 的决策过程，并能够识别在对象内部感兴趣的本地特征，该框架可以扩展到多个空间尺度，为实时的制造可行性决策支持系统提供支持。

    Nov, 2017